Keboola MCP-server

Vad gör “Keboola” MCP-server?

Keboola MCP-server fungerar som en öppen källkods-brygga mellan ditt Keboola-projekt och moderna AI-verktyg. Den kopplar AI-assistenter och MCP-klienter (såsom Claude, Cursor, Windsurf, VS Code och andra) till Keboola-plattformen, och tillgängliggör funktioner som lagringsåtkomst, SQL-transformationer, komponenthantering och jobbutlösning som anropningsbara verktyg. Denna integration gör det möjligt för AI-modeller och agenter att söka tabeller, hantera konfigurationer, köra jobb och interagera med metadata direkt från sin miljö. På så vis effektiviseras utvecklingsflöden, behovet av limkod försvinner och rätt data och funktionalitet finns tillgängligt för AI-agenter när det behövs, vilket ökar produktiviteten och möjliggör komplex automation.

Lista över prompts

Lista över resurser

Lista över verktyg

Baserat på arkivets funktioner och tillgänglig dokumentation erbjuder Keboola MCP-server följande verktyg:

• Storage: Sök tabeller direkt och hantera tabell- eller bucketbeskrivningar i Keboola-lagring.
• Components: Skapa, lista och inspektera extractors, writers, dataappar och transformationskonfigurationer.
• SQL: Skapa och kör SQL-transformationer med hjälp av naturligt språk.
• Jobs: Kör komponenter, utlös transformationer och hämta jobbutförandedetaljer.
• Metadata: Sök, läs och uppdatera projektets dokumentation och objektmetadata.

Användningsområden för denna MCP-server

• Databashantering: Sök och hantera tabeller eller buckets i Keboola-lagring direkt, så att AI-agenter kan hämta eller ändra projektdata.
• Kodbas & konfigurationsutforskning: Lista, skapa och inspektera extractors, writers och transformationskonfigurationer från AI-verktyg och förenkla konfigurationshanteringen.
• Automatiserad SQL-transformation: Använd naturligt språk för att generera och köra SQL-frågor, vilket möjliggör snabb transformation och analys av lagrade data.
• Jobborkestrering & övervakning: Kör komponenter, orkestrera jobb och hämta exekveringshistorik för att enkelt automatisera och överblicka ETL/dataflöden.
• Metadatahantering: Sök, läs och uppdatera projektets dokumentation och metadata för att hålla information organiserad och tillgänglig för både människor och AI-agenter.

Så här sätter du upp det

Windsurf

1. Se till att du har Python 3.10+ och uv installerat.
2. Skaffa din Keboola Storage API-token och (om du använder en anpassad token) ditt arbetsytaschema.
3. Lokalisera MCP-konfigurationsfilen i Windsurf.
4. Lägg till Keboola MCP-serverposten med följande JSON-snutt:

   {
     "mcpServers": {
       "keboola-mcp": {
         "command": "uv",
         "args": ["pip", "run", "--", "keboola-mcp-server"]
       }
     }
   }
   

5. Spara konfigurationsfilen och starta om Windsurf.
6. Verifiera serverns tillgänglighet i Windsurf MCP-gränssnittet.

Säkra API-nycklar (Windsurf)

{
  "mcpServers": {
    "keboola-mcp": {
      "command": "uv",
      "args": ["pip", "run", "--", "keboola-mcp-server"],
      "env": {
        "KBC_STORAGE_TOKEN": "${KBC_STORAGE_TOKEN}",
        "KBC_WORKSPACE_SCHEMA": "${KBC_WORKSPACE_SCHEMA}"
      },
      "inputs": {
        "KBC_STORAGE_TOKEN": "env",
        "KBC_WORKSPACE_SCHEMA": "env"
      }
    }
  }
}

Claude

1. Se till att Python 3.10+ och uv är installerade.
2. Skaffa nödvändiga Keboola-inloggningsuppgifter.
3. Öppna Claude-klientens MCP-konfiguration.
4. Infoga Keboola MCP-serverinställningen:

   {
     "mcpServers": {
       "keboola-mcp": {
         "command": "uv",
         "args": ["pip", "run", "--", "keboola-mcp-server"]
       }
     }
   }
   

5. Spara och starta om Claude.
6. Bekräfta att servern är åtkomlig från Claude.

Cursor

1. Installera Python 3.10+ och uv.
2. Förbered din Keboola API-token och arbetsytaschema.
3. Öppna MCP-konfigurationsfilen i Cursor.
4. Lägg till följande konfiguration:

   {
     "mcpServers": {
       "keboola-mcp": {
         "command": "uv",
         "args": ["pip", "run", "--", "keboola-mcp-server"]
       }
     }
   }
   

5. Spara filen och starta om Cursor.
6. Kontrollera att MCP-serveranslutningen lyckades.

Cline

1. Kontrollera att Python 3.10+ och uv är installerade.
2. Samla in nödvändiga Keboola-inloggningsuppgifter.
3. Redigera MCP-servrar-sektionen i Clines konfiguration.
4. Lägg till Keboola MCP-serverposten:

   {
     "mcpServers": {
       "keboola-mcp": {
         "command": "uv",
         "args": ["pip", "run", "--", "keboola-mcp-server"]
       }
     }
   }
   

5. Spara konfigurationen och starta om Cline.
6. Verifiera att servern fungerar korrekt.

Obs: Säkra känsliga uppgifter som API-token med miljövariabler, som visas i Windsurf-exemplet ovan.

Så använder du denna MCP i flöden

Använd MCP i FlowHunt

För att integrera MCP-servrar i ditt arbetsflöde i FlowHunt, börja med att lägga till MCP-komponenten i ditt flöde och anslut den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion, lägg in dina MCP-serverdetaljer med detta JSON-format:

{
  "keboola-mcp": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

När detta är konfigurerat kan AI-agenten nu använda denna MCP som ett verktyg med tillgång till alla dess funktioner och möjligheter. Kom ihåg att ändra “keboola-mcp” till det faktiska namnet på din MCP-server och byt ut URL:en mot din egen MCP-server-URL.

Översikt

Min utvärdering: Keboola MCP-server erbjuder en stark uppsättning verktyg och tydliga installationsinstruktioner, men saknar dokumenterade promptmallar och explicita MCP-resursdefinitioner. Dess fokus på att möjliggöra tillgång till komplexa dataflöden för AI-agenter är robust. Sampling och roots-stöd är inte dokumenterat. Sammantaget är detta en mycket praktisk och produktionsklar MCP, men med vissa dokumentationsluckor kring prompts/resurser.

MCP-score